2022年个性化知识总结归纳

1、一 基于协同过滤 collaborative filtering , CF的举荐系统通过收集来自其他相像用户或项目的评 价信息, 自动推测当前用户的爱好偏好； 协同过滤的基本假设是用户会更宠爱那些相像用户 偏爱的商品,已被广泛应用在一些大型的商业系统,如亚马逊和阿里巴巴等； 目前, 协同过滤算法主要包括基于内存的,基于模型的以及二者相混合的举荐技术”； 使用 最多的模型是 k 最近邻 k-nearest neighbor ,kNN协同过滤技术, 包括基于用户举荐和基于项 目举荐两种技术； 一般说来, 本体描述了某个应用领域的概念和概念之间的关系, 使得它们具有唯独确定的含 义,获得该领域的相关

2、学问, 供应对该领域学问的共同懂得, 便于用户和运算机之间进行交 流； OntoECRec 举荐模型 二 1995 年,卡内基梅隆高校的 ARDben 等人在美国人工智能协会上提出了个化导航系统 we-watcher ,真正标志着个性化服务的开头； 性 1997 年 3 月, communications of the AcM ；组织了个性化举荐系统的专题报道,标志着个 性化服务已经被技术界高度重视； 1999 年,德国 Dresden 技术高校的 JTania 实现了个性化电子商务原型系统 TELLIM,标志着个性化服务开头向全球进展； 2022 年, NEc 争论院的 D B Kurt 等

3、人为搜寻引擎 atesecr 增加了个性化举荐 功能,实现 citeseer 的个性化； 20XX 年,纽约高校 GediminaS Adomavicius 的 和 Alexander Tuzhilin 实现了个性化电子商务网站的用户建模系统 1：1Pro； 个性化举荐服务体系结构中, 信息收集模块是个性化服务系统的基础模块； 用户 的信息包括了用户的个人基本资料, 购买的历史记录及浏览记录等； 个人基本资 料可以从用户注册表单中获得； 购买的历史记录主要存放于电子商务网站的后台 交易数据库中, 包含了每位用户以前历次购物的详细情形记录, 如购物时间, 商 品清单, 价格, 折扣等, 同时也可

4、以收集用户放入购物篮而未购买的商品记录, 以及用户过去浏览过的商品信息等； 当然要搜集用户的行为信息, 日志文件是必 不行少的, 如要收集服务器日志, 就要在服务器端猎取, 抽取出特定用户的拜望 记录；如要收集用户浏览的页面和浏览行为, 服务器端从用户记录中获得； 就既可以在用户端获得, 也可以在 第 1 页,共 12 页IBfi QebSshereBroadY isicp8f eder. BPers. on1 l lZ 1 A n / f,q& T YB PJ 8 u A u tf ,& c L o tf“.4 &I$oIt.b6.” . u HlRlflt Pc ndy Xnwich7B

5、/ T AU .yFBillJfi &Google PCnderCshra trhc . itccr尽 管 协 同 过 滤 技 术 在个 性 化 推 荐 系统 中 获 得 了极 大 的 成 功 , 但 随 着 站 点 结 构 , 内容 的复 杂 度 和 用 户人 数 的 不 断增 加 , 协 同 过 滤 技 术 的 一 些 缺 点 逐 渐 暴露 出来 , 主 要 有 ： 稀 疏 性 sparsity ： 在 许多 推 荐 系 统 中 , 每 个用 户 涉 及 的 信 息 量 相 当 有 限 , 在 一 些 大 的 系 统 如 亚马逊 网 站 中 , 用 户 最 多 不 过 就 评 估 了 上

6、百 万 本 书 的 1 2 , 造 成 评 估 矩 阵 数 据 相 当稀 疏 , 难 以 找 到 相像 用 户 集 ,导 致 举荐 效 果 大 大 降低 扩 展 性 scalability ：“ 最 近 邻 居 ” 算 法 的 运算 量 随 着 用 户 和 项 的增 加 而 大 大 增 加 , 对 于 上 百万之 巨 的 数 目, 通 常 的 算 法 将 遭 遇 到 严 重 的 扩 展 性问题 精 确 性 accuracy ： 通 过 寻 找 相 近 用 户 来 产生 推 荐 集 , 在 数 量 较 大 的 情 况 下 , 推 荐 的可 信 度 随 之降 低 四 一个完整的举荐系统由 3 个部

7、分组成 : 收集用户信息的行为记录模块 , 分析用户 喜好的模型分析模块和举荐算法模块 . 行为记录模块负责记录用户的喜好行为 , 例如问答,评分,购买,下载,浏览等 . 问答和打分的信息相对好收集 , 然而有的 用户不愿意向系统供应这些信息 , 那么就需要通过其他方式对用户的行为进行分 析, 例如购买, 下载,浏览等行为 . 通过这些用户的行为记录分析用户的潜在喜好 产品和宠爱程度 . 这就是模型分析模块要完成的工作 . 模型分析模块的功能能够 对用户的行为记录进行分析 , 建立合适的模型来描述用户的喜好信息 . 最终是推 荐算法模块 , 利用后台的举荐算法 , 实时地从产品集合中挑选出用户

8、感爱好的产 品进行举荐 . 其中, 举荐算法模块是举荐系统中最为核心的部分 . 协同过滤举荐系统最大的优点是对举荐对象没有特殊的要求 , 能处理音乐,电影 等难以进行文本结构化表示的对象 . 基于用户的协同举荐算法随着用户数量的增多 , 运算量成线性加大 , 其性能会越 来越差 . 因此有的举荐系统接受基于产品相像性的协同过滤算法 , 在产品的数量 相对稳固的系统中 , 这种方法是很有效的 , 例如 Ama-zon 的书籍举荐系统 但 10. 是对于产品数量不断增加的系统 , 例如 Del. lici. us 系统 , 这种方法是不适用 的. 基于内容的举荐系统不行防止地受到信息猎取技术的约束

9、 , 例如自动提取多媒体 数据 图形,视频流,声音流等 的内容特点具有技术上的困难 , 这方面的相关应 第 3 页,共 12 页用受到了很大限制 . 网络环境下的个性化举荐表现方式大体分为个人化举荐, 荐三种, 社会化举荐和基因化推 （ 1）个人化举荐；是基于用户过往的行为模式进行举荐,即依据用户的历史行 为,判定用户的需求和偏好,为其供应相应产品或服务； 商业网站中,比较常 见的方式是用户最近的浏览历史, 你可能比较感爱好的商品； 比较典型的是基于 个人交易和反馈数据的举荐机制 . （ 2）社会化举荐；是依据需求和偏好相像的用户群的过往行为数据进行举荐； 它不同于个人举荐方式, 并不分别地判

10、定一个用户的行为, 而是针对偏好相像的 用户群体行为进行分析,然后为用户群供应举荐； （ 3）基因化举荐；是依据产品本身的特性进行举荐；这种举荐方式在确定程度 上也基于社会学的原理：一人的喜好是大体相互联系的,并且是相对固定的； 六 在网络购物时代, 商家通过购物网站供应了大量的商品信息, 消费者无法快速地明白全部的 商品信息, 所以, 消费者需要一种电子购物助手, 能依据消费者对服装的需求信息举荐给消 费者可能感爱好或者中意的商品； 个性化举荐系统就是建立在海量数据挖掘基础上的一种高 级商务智能平台, 它帮忙网站为消费者购物供应完全个性化的决策支持和信息服务； 购物网 站的举荐系统为消费者举

11、荐商品, 自动完成个性化挑选商品的过程, 中意消费者的个性化需 求； 随着互联网的不断普及, 网络成为一种不行或缺的信息来源, 但相对整个互联网的全局信息 空间而言,用户感爱好的只是一个很小的领域； 信息技术的进展,使网络信息空间呈几何 级数膨胀, 而有限的个性化信息却显得更加分散； 人们处在信息迷航的怪圈中, 很期望有个 网站能够揣摩用户的心理, 依据用户的需求举荐用户感爱好的内容, 给用户供应一个良好的 冲浪环境,这些潜在的需求在商业网站中表达的更为淋漓尽致；依据用户的爱好举荐商品, 可以提高用户对网站的忠诚度,增加交叉购买力,增加商家的效益； 各种信息特殊是互联网信息的指数增长所导致的

12、“ 信息过载”和 “ 信息迷航”问题已日 益制约人们高效地使用各种信息资源 .；个性化举荐技术正是解决这一庄重问题的有效方法, 它依据用户的爱好和特点,对信息资源进行收集,整理和分类, 爱好偏好或需求的信息； 七 向用户供应和举荐符合其 第 4 页,共 12 页互联 网技术 的迅猛进展把我们带进 了信息爆炸的时代 海量信息的同时显现, 一方面使用户很难从 中发 现 自己感 爱好 的部 分 ,另 一 方 面 也使 得 大 量 少 人 问 津 的信 息成 为 网络 中的 “ 暗信息” ,无 法被 一般用 户 猎取 九 简洁地说, 个性化举荐系统就是依据消费者的个性化特点和需求, 依据某种策 略,

13、进行产品举荐的一个帮忙决策系统； 它的显现是为明白决信息过载的问题, 帮忙消费者在浩如烟海的产品中找到自己需要的商品, 为消费者供应个性化的 购物体验；电子商务举荐系统作用主要表现在以下几个方面： 将电子商务网 站的浏览者转变为购买者；提高电子商务网站的交叉销售才能； 削减消 费者成本 时间, 资金等 , 中意顾客需求, 增加其中意度； 增加卖家产品 浏览度, 从而提高卖家收益； 电子商务举荐系统依据其所接受的举荐技术大致可以分为下面几类： 一是基于 协同过滤技术的举荐系统, 所接受的技术是协同过滤； 二是基于内容过滤的推 荐系统, 所接受的技术是信息过滤； 三是基于学问发觉举荐系统, 所接受

14、的技 术是学问发觉, 搜寻与数据挖掘技术； 四是组合技术, 所接受的技术是几种 举荐技术的组合； 五是交互式举荐, 实行的技术是用户与商家的交互； 六是 其他的一些非主流举荐系统, 比如基于统计, 效用的举荐系统, 如贝叶斯网 络, 神经网络等；其中使用较多的是协 同过滤, 内容过滤, 学问发觉和数据 挖掘； 规章举荐是先依据销售数据发觉不同商品在销售过程中的相关性, 然后基于生 成的关联规章模型和用户的购买行为产生举荐结果； 分类挖掘举荐方法是通过 聚类, Bayesi a 网络, 神经网络等多种机器学习方法产生分类挖掘模型, 再 依据用户输入信息和产品的特点信息, 推测是否向用户举荐该产品

15、 1 曾云,陈盈盈,张岳 . 基于人体识别的在线虚拟试衣系统 J电视技术,2022, 3811：206-210. 2 陈利珍,邓中民基于图像序列的三维人体建模方法争论 J针织工业, 20221:54-56. 第 5 页,共 12 页3 吴义山 ,徐增波 .虚拟试衣系统关键技术 J.丝绸 ,2022,12:24-29. 4 陈晓倩 .虚拟试衣系统在电子商务中的应用模式探讨 83. J.纺织导报 ,2022,09:81- 5 黄灿艺 .网络化三维虚拟试衣技术构架分析 J.广西纺织科技 ,2022,03:46-48. 6 范庆玲 ,李继云 .基于照片的三维人体模型争论与实现 03:5-6+42+66

16、. J.微型电脑应用 ,2022, 7 胡新蕾 .浅谈虚拟试衣和电商金融产品的结合 J.经贸实践 ,2022,16:38-39. 8 胡婉月 ,李艳梅 ,王迎梅 ,吴小娜 .虚拟试衣的进出现状及展望 J.上海工程技术 高校学报 ,2022,02:162-165. 9 丁嘉玲 ,王厉冰 ,庄梅玲 ,张永美 .线上虚拟试衣技术构架的分析与展望 J.山东 纺织科技 ,2022,01:42-45. 1 范忠勇 ,张志军 ,张鹏飞 .本体技术在个性化举荐系统中的应用争论 J. 山东科学 ,2022, 02:101-105. 2 王浩 . 电子商务个性化信息举荐服务计量分析与进展计策争论 J. 内蒙古科技

17、与经 济 ,2022,08:59-62. 3 赵亮 ,胡乃静 ,张守志 .个性化举荐算法设计 J.运算机争论与进展 ,2022,08:986-991. 4 刘建国 ,周涛 ,汪秉宏 .个性化举荐系统的争论进展 5 朱岩 ,林泽楠 .电子商务中的个性化举荐方法评述 6 丁然 .大数据时代电子商务个性化举荐进展趋势 7 张苗苗 ,杨瑜 .商业网站个性化举荐现状及计策分析 J.自然科学进展 ,2022,01:1-15. J.中国软科学 ,2022,02:183-192. J.电子商务 ,2022,04:5+7. J.情报探究 ,2022,02:36-40. 8 王 辉 , 高 利 军 , 王 听 忠

18、 . 个 性 化 服 务 中 基 于 用 户 聚 类 的 协 同 过 滤 推 荐 J. 计 算 机 应 用 ,2022,05:1225-1227. 9 林 霜 梅 , 汪 更 生 , 陈 弈 秋 . 个 性 化 推 荐 系 统 中 的 用 户 建 模 及 特 征 选 择 J. 计 算 机 工 程 ,2022,17:196-198+230. 第 6 页,共 12 页#JBe&AaB8ARB&YB&AB%#JTJL#R:aa, suaa. aaaaxs za- aa *eas, x. ssoaaasX aao. . n.sxaaaeaoasna.p , g, Q & A2&R&esa. +ssna

19、saaaxz. a+aa+eesx.ae-o. 26 &.6&Q& fiQB. &2&R6. BB1K&. B69 &t Xl&B&. Q&mfAG4&N8B2BB& 64&Bb. 6&.C&2. M&. 469FAAb. B4 PA4O&A R& & . 86N4&8&Q. dQ%6B&bC6A&6#BQ. 8YB&BR& &TTe 3-lO Afi&m M AeImvJ ofCo*sseae., . .o&8&GB BA en. a.sa. xa, .造型 颜色 面料 辅料 结构 工艺 图案 部件 装饰 配饰 形式 搭配 第 8 页,共 12 页不行否认的是,关于举荐系统的争论仍然存在一些

20、问题,详细包括 .】【 i2】： 1实时性和举荐质量之间的问题；举荐系统的举荐精度和实时性是一对矛 盾,要提高举荐精度会不行防止地降低系统的实时性,而要提高系统的实时性又 不能不产生较低的举荐精度；所以,在供应举荐系统服务的同时,如何在举荐精 度和实时性之间找个较好的平稳点,是需要连续争论的问题； 2系统模型单一；由于举荐系统体系结构不完善,导致大部分举荐系统只 能供应一种系统模型使用；但鉴于举荐系统本身的复杂性,需要多种不同类型的 模型来适应不同的场合,中意用户的不同要求； 3举荐方法的缺乏；现在一般的电子商务系统的举荐方法是向用户供应商 品排行榜,以及其它用户对这个商品的评判程度来让用户判

21、定是否具有购买性； 无疑地,需要更加多样的举荐形式来向用户说明产生举荐的缘由,让客户更加信 任举荐的结果； 4用户类型的转变；对商务网站商品进行购买的用户一般都只是注册用户, 而没有注册的用户仅仅具有浏览功能；现在的举荐系统并未考虑到这部分拜望 者；【 1 l】 B Schafer,J A Konstan,J Riedl, E Commerce Recommendation Applications , Data Mining and Knowledge Discovery,2022 1, 51： 115 153 【121 Kohvai, Mining E-commerce Data ： th

22、e Good,the Bad,and the Ugly,Proceedings of the 7th ACM SIGKDD international conference on Knowledge discovery and data mining , San Francisco,California , 2022 , 8-13 举荐系统在电子商务中的作用主要表达在以下几个方耐 11】： 第 10 页,共 12 页1将网站的浏览者转为购买者 消费者起初浏览网站并不想购买东西,而且由于电子商务网站拥有大量的商 品,用户很难在短时间内在这些商品中找到自己所宠爱的产品；这时候,假如推 荐系统能够依据用户的相关信息向用户有针对性地举荐产品的话,很有可能会引 基于粗